用Voronoi方法为MapInfo扩展拓扑功能

分析了Ｖｏｒｏｎｏｉ图在表达邻近关系方面的特性，提出了用Ｖｏｒｏｎｏｉ方法为ＭａｐＩｎｆｏ建立动态邻近关系并扩展拓扑功能的方法。     

用Voronoi方法为MapInfo扩展拓扑功能

分析了Ｖｏｒｏｎｏｉ图在表达邻近关系方面的特性，提出了用Ｖｏｒｏｎｏｉ方法为ＭａｐＩｎｆｏ建立动态邻近关系并扩展拓扑功能的方法。     

Voronoi图生成的栅格算法

介绍了Ｖｏｒｏｎｏｉ图的矢量算法,从用于ＧＩＳ的角度分的了该方法存在在的问题和不足,提出Ｖｏｒｏｎｏｉ图生成的栅格方法,分析了利用传统的距离变换生成栅格Ｖｏｒｏｎｏｉ图的误差情况,对各种栅格算法从精度方面进行了分析,并给出空间实体Ｖｏｒｏｎｏｉ图的生成过程。     

Voronoi图生成的栅格算法

介绍了Ｖｏｒｏｎｏｉ图的矢量算法,从用于ＧＩＳ的角度分析了该方法存在的问题和不足,提出Ｖｏｒｏｎｏｉ图生成的栅格方法。分析了利用传统的距离变换生成栅格Ｖｏｒｏｎｏｉ图的误差情况,对各种栅格算法从精度方面进行了分析,并给出了空间实体Ｖｏｒｏｎｏｉ图的生成过程。     

基于Voronoi图的空间邻近定义与查询

首先在点Voronoi图的基础上,引进了空间目标的Voronoi图的定义,进而论述了空间目标Voronoi图在GIS中定义空间邻近及其邻近查询中的作用。最后给出了部分实验结果。     

基于V9的空间关系映射与操作

利用Ｖ９Ｉ模型中目标的边界、内部和Ｖｏｒｏｎｏｉ区域均可量测及易于操作的特点,研究建立底层数据结构与窨关系语义层之间的Ｖ９Ｉ映射机制,在Ｖｏｒｏｎｏｉ的动态栅格生成算法的基础上,构建空间关系的基本操作。最后,以ＶＣ＾＋＋为开发工具并采用向对象的技术,设计了基于Ｖ９Ｉ的空间关系操作上具原型ＶＴＫｉｔ,并给出部分操作实例。     

线状障碍物的可视最短路径Voronoi图生成

对偶生成法和直接修正法是构造可视最短路径Ｖｏｒｏｎｏｉ图的两种基本途径。本文提出了分段部分、整体部分和统一剖分的修理思路。放宽了以往修正法中障碍物端点必为生长点的限制,并提出了能有效处理公共连的分簇算法和最适搜索算法,实现了在有限制的线状障碍物下对普通Ｖｏｒｏｎｏｉ图的有效修正,以生成可视最短路径Ｖｏｒｏｎｏｉ图。     

基于Voronoi图的点状目标邻近空间分布测试方法

邻近空间分布测度研究观测点邻近空间中目标的分布规律,是地理分析、环境评价、选址优化等的重要依据。提出了基于Voronoi图的邻近空间分布测度方法。该方法通过观测点的k阶Voronoi邻近关系,动态确定影响观测点的空间目标范围,通过k阶邻近分布指数定量评价观测点邻近空间目标的分布情况,实现了任一观测点邻近空间分布的测度,并将k阶邻近分布指数应用于整体空间目标离散度的测度。最后通过城市楼盘开发与景观保护评价实例说明了该方法的应用前景。     

球面栅格空间中的Jordan曲线性质及其拓扑矛盾分析

定义了球面栅格空间的拓扑元素，给出球面栅格空间中邻近、连通和空间目标的内部、边界和外部等空间目标的拓扑定义及形式化描述，讨论了Jordan曲线在球面栅格空间中的性质及由此引起的拓扑矛盾。     

顾及Gestalt认知效应的线性岛屿模式识别

从岛屿分布的邻近性、延展性、紧凑性、直线性等特征出发,提出了线性岛屿结构识别的新方法。首先,以Delaunay三角网为空间分析工具,计算岛屿群空间邻近关系,生成空间邻近图;然后,在空间邻近图的基础上生成MST图;最后,利用Gestalt原则对线性阵列结构的识别效应,在MST上通过3次剪枝导出线性岛屿结构。实验结果表明,该方法能够识别出具有明显线性岛屿结构的目标集,与肉眼视觉识别基本一致。     

基于邻近图的点群层次聚类方法的研究

空间聚类是点状空间目标群在地图综合中必须解决的问题。分析点群的几种常用邻近图的特征及其层次关系,并基于原始的点集合生成的DT构建相应的GG,UG,MST和NNG,然后在所选择的密度适应性约束、距离适应性约束和偏差适应性约束这三种条件下,利用所生成的邻近图进行了点群的层次聚类。研究并改进现有的点状空间目标群的无监督层次聚类方法,并通过实例验证该算法的可行性。     

空间数据处理中的Voroni方法

空间数据的内插，误差估计，动态多边形构成和编辑是ＧＩＳ中比较复杂的问题，其中大部分与空间邻接这一拓扑性质有关，现有的栅格结构与矢量结构采取取完全不同的处理方式，为了达成观察两种基础数据结构统一的认训。加拿大测绘学者们发展了空间数据结构的Ｖｏｒｏｎｏｉ方法。     

面向多重空间冲突解决的移位场模型

制图综合中的移位在解决空间冲突时,需要顾及多种上下文条件下的邻近目标的空间冲突,同时要保持目标群分布模式形态。本研究针对该问题,建立了多力源作用下的移位场模型,实现满足以上条件的多边形目标群的移位。该模型在Voronoi图剖分结构中,通过邻近距离阈值探测空间冲突,并作为斥力发生源,基于多源斥力的向量和计算得到最终移位的方向与偏移距离。该模型同时利用群组的方式保持空间目标的分布模式形态。本研究通过街区中建筑物群的综合试验,验证了基于该移位场模型的移位不会产生新的空间冲突,较好地保持了移位前的相对空间关系。     

保持空间分布特征的群点化简方法

群点目标隐含的空间结构化信息是空间分布分析、地图综合感兴趣的内容。对群点目标分布的信息内容区分为存在性、度量结构与拓扑结构，在Delaunay三角网及其对偶Voronoi图模型上对工量结构定义4个在量；分布范围、分布密度、分布中心及分布轴线，顾及视觉识别Gestalt邻近原则，运用三角形“剥皮”法，确立了非凸多边形所表达的群点分布范围，运用图像灰度表达群点分布密度并通过图像处理方法提取分布中心。建立了Voronoi图动态重建进行群点化简的方法，该方法通过边界点和内部点的分开处理，较好地保持了4个空间分布特征。     

顾及制图规则的地图多要素协同移位方法

在地图自动编制中,有时多类地图要素多个空间目标之间同时发生空间冲突,在移位过程中会影响到邻近区域的地图目标,这就需要对地图要素移位进行协同处理。在自动识别邻近空间冲突区的条件下,提出了一种顾及地图制图规则的解决地图目标群空间冲突的协同处理方法,并用参数表方法形式化表达了地形图上地图要素移位的常用制图规则。首先利用约束性Delaunay三角网识别出可能的空间冲突区域,并建立移位操作区;然后,建立移位传播关联线网,依据制图规则在关联线网上以能量最小化Beam移位模型为基础,对整个空间冲突区的地图目标群进行协同移位;最后,用实验验证了所提方法的有效性和适用性。     

图划分支持下的大规模点要素并行缓冲分析方法

缓冲分析是解决邻近度问题的基础工具,由于算法本身包含大量的复杂运算,处理效率亟待优化。针对大规模点要素的缓冲分析,引入图表达建立了面向数据和分析过程的空间计算域,通过图划分实现了任务的均衡分割。图式化的空间计算域首先从图节点和图边两个角度定义了点要素及其空间关系的处理函数,然后对相应的时间复杂度进行拟合,获取了图节点和图边的计算权重,最后利用图划分方法实现了缓冲分析的均衡分割,从而构建与计算资源相匹配的并行任务。实验结果表明,基于图划分实现的并行缓冲分析方法在负载均衡性和整体性能方面优于主流的四叉树和规则格网划分方法,可为大规模矢量数据的空间分析优化提供参考。     

图像匹配的物体空间关系推理表达

物体空间关系指的是物体在欧氏空间中的邻近关系,根据图像中包含物体的邻近关系解决图像匹配的问题。本文首先基于对比机制训练物体块特征提取网络,构建物体块深度特征,该特征可以有效匹配不同图像中的相同物体块;其次,基于已有的先验图像数据推理表达图像中物体的空间邻近关系,构建场景物体空间邻近图;进而基于该空间邻近图计算场景图像对的空间邻近度,完成图像空间关系匹配。试验表明不匹配图像间的空间邻近度一般为0,而匹配图像间的空间邻近度一般大于0,本文空间关系匹配涉及多个物体间的相互关系,具有更强的稳健性,其匹配效果明显优于对比试验中的其他方法,可以高效稳定地完成图像匹配任务。     

特征分类与邻近图相结合的建筑物群空间分布特征提取方法

建筑物群综合过程中需要对建筑物群空间分布特征进行认知和识别。本文在分析国内外相关研究的基础上,从描述建筑物空间特征的大量指标中,利用主成份分析方法,总结并提出了有代表性的建筑物空间特征指标集:凸包面积、紧密度IPQ指标、边数和最小面积外接矩形方向,并基于这些指标研究了建筑物群的分类。在利用最小生成树邻近图(MST)划分建筑物空间子群时,考虑了建筑物成群与所处地理环境(河流和道路等因素)的关系。另外,基于最邻近图(NNG)、MST、相对邻近图(RNG)和Gabriel图(GG)4种建筑物群邻近图,提出了自动识别具有特定空间排列建筑物子群的方法,并比较分析了识别结果的影响因素和可用性。最后,选择北京某地区建筑物群为试验对象,实现了对建筑物群的分类和空间聚类,并提取了其中直线型空间排列的建筑物子群。     

基于Delaunay三角网的空间邻近关系推理

空间邻近关系是一种重要的空间关系,对这种关系的识别是任何空间建模系统所必须的。Delaunay三角网是根据最小角最大规则建立的一种三角剖分,可以较好地表达空间目标之间的邻近关系。利用Delaunay三角网对空间邻近关系进行了描述,在此基础上提出了空间邻近关系推理方法。     

k-邻近空间关系下的空间同位模式挖掘算法

定义了一种基于k-邻近对象的空间同位模式,探讨了基于k-邻近空间关系的同位模式的特点及其与基于距离阈值的空间同位模式的区别与联系,并开发了k-邻近对象同位模式挖掘算法(KNFCOM).通过对真实数据的实验结果表明,KNFCOM算法可有效地发现大型空间数据集中存在的各种空间同位模式.